論文の概要: Learning Relation-Specific Representations for Few-shot Knowledge Graph
Completion
- arxiv url: http://arxiv.org/abs/2203.11639v1
- Date: Tue, 22 Mar 2022 11:45:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 21:38:02.241841
- Title: Learning Relation-Specific Representations for Few-shot Knowledge Graph
Completion
- Title（参考訳）: ナレッジグラフ補完のための学習関係比表現
- Authors: Yuling Li, Kui Yu, Yuhong Zhang, and Xindong Wu
- Abstract要約: 本稿では,三重項のグラフコンテキストを利用して関係と実体のセマンティック情報を同時に取得する関係特化文脈学習フレームワークを提案する。
2つの公開データセットの実験結果は、RSCLが最先端のFKGC法より優れていることを示している。
- 参考スコア（独自算出の注目度）: 24.880078645503417
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent years have witnessed increasing interest in few-shot knowledge graph
completion (FKGC), which aims to infer unseen query triples for a few-shot
relation using a handful of reference triples of the relation. The primary
focus of existing FKGC methods lies in learning the relation representations
that can reflect the common information shared by the query and reference
triples. To this end, these methods learn the embeddings of entities with their
direct neighbors, and use the concatenation of the entity embeddings as the
relation representations. However, the entity embeddings learned only from
direct neighborhoods may have low expressiveness when the entity has sparse
neighbors or shares a common local neighborhood with other entities. Moreover,
the embeddings of two entities are insufficient to represent the semantic
information of their relationship, especially when they have multiple
relations. To address these issues, we propose a Relation-Specific Context
Learning (RSCL) framework, which exploits graph contexts of triples to capture
the semantic information of relations and entities simultaneously.
Specifically, we first extract graph contexts for each triple, which can
provide long-term entity-relation dependencies. To model the graph contexts, we
then develop a hierarchical relation-specific learner to learn global and local
relation-specific representations for relations by capturing contextualized
information of triples and incorporating local information of entities.
Finally, we utilize the learned representations to predict the likelihood of
the query triples. Experimental results on two public datasets demonstrate that
RSCL outperforms state-of-the-art FKGC methods.
- Abstract（参考訳）: 近年,いくつかの参照三重項を用いて,未知のクエリ三重項を数点の関係で推定することを目的としたFKGCへの関心が高まっている。
既存のfkgc手法の主な焦点は、クエリと参照トリプルによって共有される共通情報を反映した関係表現を学ぶことである。
この目的のために、これらの手法は、エンティティの直接隣人との埋め込みを学習し、エンティティの埋め込みの結合を関係表現として利用する。
しかし、直接近傍からのみ学習されたエンティティ埋め込みは、そのエンティティがスパースな隣人を持つ場合や、他のエンティティと共通のローカルな近傍を共有する場合、表現力が低い可能性がある。
さらに、2つの実体の埋め込みは、特に複数の関係を持つ場合、それらの関係の意味情報を表現するには不十分である。
そこで本研究では,関係とエンティティの意味情報を同時に捉えるために,三重項のグラフコンテキストを利用する関係特化コンテキスト学習(rscl)フレームワークを提案する。
具体的には、まず三重グラフのコンテキストを抽出し、長期のエンティティ関連依存関係を提供する。
グラフコンテキストをモデル化するために,三重項の文脈情報を取得し,実体の局所情報を組み込むことで,関係関係のグローバルおよび局所的な関係特化表現を学習する階層的関係特化学習器を開発する。
最後に,学習表現を用いてクエリトリプルの可能性を予測する。
2つの公開データセットの実験結果は、RSCLが最先端のFKGC法より優れていることを示している。
関連論文リスト
- Relation-Aware Question Answering for Heterogeneous Knowledge Graphs [37.38138785470231]
既存の検索に基づくアプローチは、異なるホップにおける特定の関係に集中することで、この課題を解決する。
我々は,現在の関係表現を強化するために,ヘッドテールエンティティや関係間の意味的関係からの情報を利用することができないと主張している。
当社のアプローチは,従来の最先端技術よりも大きなパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2023-12-19T08:01:48Z) - Mutually Guided Few-shot Learning for Relational Triple Extraction [10.539566491939844]
三重抽出(MG-FTE)のための相互指導型Few-shot学習フレームワーク
本手法は,関係を分類するエンティティ誘導型リレーショナルデコーダと,エンティティを抽出するプロトデコーダとから構成される。
FewRel 1.0(単一ドメイン)では12.6F1スコア、FewRel 2.0(クロスドメイン)では20.5F1スコアで、多くの最先端手法よりも優れています。
論文 参考訳（メタデータ） (2023-06-23T06:15:54Z) - More than Classification: A Unified Framework for Event Temporal
Relation Extraction [61.44799147458621]
イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。
イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。
本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-28T02:09:08Z) - ViRel: Unsupervised Visual Relations Discovery with Graph-level Analogy [65.5580334698777]
ViRelは、グラフレベルのアナロジーを用いた視覚関係の教師なし発見と学習のための方法である。
本研究では,関係分類において95%以上の精度を達成できることを示す。
さらに、より複雑な関係構造を持つ未確認タスクに一般化する。
論文 参考訳（メタデータ） (2022-07-04T16:56:45Z) - Proton: Probing Schema Linking Information from Pre-trained Language
Models for Text-to-SQL Parsing [66.55478402233399]
本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。
スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。
我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
論文 参考訳（メタデータ） (2022-06-28T14:05:25Z) - RAGA: Relation-aware Graph Attention Networks for Global Entity
Alignment [14.287681294725438]
実体と関係の相互作用を捉えるために,Relation-aware Graph Attention Networksに基づく新しいフレームワークを提案する。
本フレームワークでは,エンティティ情報を関係に分散し,関係情報をエンティティに集約する自己認識機構を採用している。
論文 参考訳（メタデータ） (2021-03-01T06:30:51Z) - Context-Enhanced Entity and Relation Embedding for Knowledge Graph
Completion [2.580765958706854]
マルチホップにおけるエンティティコンテキストと関係コンテキストの効率的な集約を行うモデルAggrEを提案する。
実験の結果、AggrEは既存のモデルと競合していることがわかった。
論文 参考訳（メタデータ） (2020-12-13T09:20:42Z) - Learning Relation Prototype from Unlabeled Texts for Long-tail Relation
Extraction [84.64435075778988]
本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。
我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。
私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
論文 参考訳（メタデータ） (2020-11-27T06:21:12Z) - Relation of the Relations: A New Paradigm of the Relation Extraction
Problem [52.21210549224131]
我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。
我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。
実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2020-06-05T22:25:27Z) - On Embeddings in Relational Databases [11.52782249184251]
低次元埋め込みを用いた関係データベースにおけるエンティティの分散表現学習の問題に対処する。
近年の埋め込み学習法は,すべてのテーブルの完全結合をリレーショナル化し,知識グラフとして表すことにより,データベースの完全非正規化を考慮に入れたナイーブな手法である。
本稿では,テーブル内の列の基本的なセマンティクスを利用して表現を学習する上で,関係結合と潜時関係を用いて,より優れた方法論を実証する。
論文 参考訳（メタデータ） (2020-05-13T17:21:27Z) - Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。
エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。
その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
論文 参考訳（メタデータ） (2020-02-17T03:33:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。